Por Canuto  

StepFun lanzó Step 5 Preview, un modelo de inteligencia artificial MoE con 600.000 millones de parámetros totales, 27.000 millones activos por token y una ventana de contexto de un millón de tokens. La compañía busca posicionarlo para programación, finanzas y trabajo agéntico de largo alcance, con precios inferiores a los de modelos comparables y pesos abiertos previstos para octubre de 2026.
***

  • Step 5 Preview activa cerca del 4,5% de sus 600.000 millones de parámetros por token y admite texto, imágenes y video.
  • La API cuesta USD $1,00 por millón de tokens de entrada sin acierto de caché y USD $2,70 por millón de tokens de salida.
  • Artificial Analysis le asignó 44 puntos en su índice de inteligencia, mientras StepFun prepara los pesos abiertos para el 15 de octubre de 2026.

Un modelo grande con activación dispersa

StepFun presentó Step 5 Preview como su nuevo modelo insignia para tareas agénticas de largo alcance, con especial atención en ingeniería de software, trabajo profesional del conocimiento y finanzas. La propuesta combina una arquitectura de 600.000 millones de parámetros totales con una activación aproximada de 27.000 millones por token, de modo que el sistema utiliza cerca del 4,5% de sus pesos en cada paso de generación.

La compañía sostiene que esa configuración permite acercarse al nivel de inteligencia de modelos más costosos sin asumir el mismo gasto operativo por tarea. En términos prácticos, un modelo Mixture-of-Experts, o MoE, distribuye el trabajo entre distintos grupos especializados y evita activar toda la red ante cada token, aunque el tamaño total sigue planteando exigencias importantes para el almacenamiento y la infraestructura.

La documentación técnica identifica el modelo mediante el código step-5-preview y le asigna una ventana de contexto de un millón de tokens. Esa capacidad busca que un agente conserve grandes volúmenes de instrucciones, resultados de búsquedas, fragmentos de código y respuestas de herramientas dentro de una misma sesión, un requisito relevante para procesos que se extienden durante horas.

StepFun ofrece actualmente el sistema mediante una API alojada y dentro de su propia plataforma, mientras que el autohospedaje dependerá de la publicación de los pesos. La empresa prevé liberar esos archivos el 15 de octubre de 2026, aunque el despliegue exigirá hardware de múltiples GPU: una estimación simple sitúa el almacenamiento de 600.000 millones de parámetros en aproximadamente 1,2 terabytes en formato BF16, antes de contabilizar la caché KV.

Contexto, herramientas y entrenamiento agéntico

Step 5 Preview acepta entradas de texto, imágenes y video, pero genera respuestas en texto. También incorpora niveles de esfuerzo de razonamiento bajo, medio y alto, además de transmisión de respuestas, llamadas a herramientas, modo JSON, esquemas JSON y almacenamiento en caché de instrucciones, funciones destinadas a integrarlo en flujos de trabajo automatizados.

Uno de los ejemplos citados por StepFun corresponde a una tarea de investigación en la que el modelo coordinó 950 solicitudes web dentro de una sola acción de agente. La cifra ilustra el tipo de operación que la empresa quiere atender, aunque por sí sola no demuestra la calidad de cada consulta ni la precisión de las conclusiones producidas al final del proceso.

La compañía también documenta una integración con Claude Code mediante su Step Plan, un mecanismo orientado a dividir proyectos complejos en etapas ejecutables. Para los desarrolladores, esta clase de integración puede resultar más importante que el tamaño nominal del modelo, porque conecta la capacidad de razonamiento con lectura de archivos, ejecución de código y uso de herramientas externas.

La arquitectura reúne 92 capas Transformer en una configuración estrecha y profunda. StepFun argumenta que las redes más profundas proporcionan rutas más extensas para el razonamiento implícito de múltiples saltos, especialmente durante el prellenado de contextos largos, cuando los agentes investigan, ejecutan programas y procesan respuestas provenientes de sus herramientas.

Optimización de costos y desempeño técnico

El entrenamiento se apoya en aprendizaje por refuerzo en línea para horizontes prolongados, una estrategia que busca mejorar el comportamiento de agentes que deben mantener objetivos durante muchas interacciones. StepFun afirma además que consiguió una alineación bit a bit entre el entrenamiento y la inferencia en el enrutamiento MoE, un detalle técnico diseñado para reducir discrepancias entre lo aprendido y lo que ocurre durante el uso real.

Entre las técnicas adicionales aparecen la decodificación especulativa MTP-3, el uso de FP8 para los expertos y la descarga de la caché KV. StepFun reporta una aceleración superior a tres veces en extremo a extremo para el aprendizaje por refuerzo de largo horizonte, aunque el resultado corresponde a la medición de la empresa y debe interpretarse junto con las condiciones específicas de hardware y software empleadas.

En sus pruebas, StepFun ejecutó Step 5 Preview con un nivel de esfuerzo alto, mientras que los modelos rivales fueron evaluados con un nivel máximo. La empresa reportó 66,4 puntos en FrontierFinance, frente a 69,7 de Claude Opus 5 y 55 de GPT-6 Astra, además de 83,3 en DRACO, por debajo de los 87,6 y por encima de los 76,8 registrados por esos dos competidores, respectivamente.

En programación, StepFun informó 67,7 puntos en DeepSWE v1.1, 49,0 en StepCodeBench y 80,5 en ProgramBench, mientras Claude Opus 5 y GPT-6 Astra conservaron la ventaja en las tres pruebas. StepCodeBench es un benchmark propio de StepFun, por lo que su utilidad comparativa depende de la metodología, los datos y las condiciones que acompañaron la medición.

Pruebas de 24 horas y evaluación independiente

La compañía realizó además dos experimentos agénticos con una duración de 24 horas cada uno. En el primero, Step 5 Preview ajustó un kernel para H100 hasta alcanzar 508 teraflops, según el reporte de StepFun, frente a 493 teraflops obtenidos por Claude Opus 5 bajo la comparación presentada por la empresa.

El segundo experimento se enfocó en el postentrenamiento automatizado de Qwen3-30B-A3B para AIME24. StepFun indicó que el proceso elevó el resultado de 53,3% a 60%, una mejora que apunta a la capacidad del modelo para operar como componente de un ciclo de optimización, aunque no equivale necesariamente a una medición general de inteligencia.

La evaluación externa de Artificial Analysis asignó a Step 5 Preview una puntuación de 44 en su Intelligence Index. La mediana de los modelos de razonamiento dentro de un rango de precio similar fue 24, de acuerdo con esa medición, que también registró una velocidad de salida de 99,8 tokens por segundo en la API de StepFun.

El resultado debe leerse con una salvedad relevante: durante la ejecución del índice, el modelo generó 160 millones de tokens de salida, frente a una mediana de 92 millones para el grupo comparable. Su menor precio por token puede perder parte de la ventaja cuando el razonamiento se vuelve muy extenso, ya que una respuesta más barata por unidad también puede consumir muchas más unidades.

Precios, disponibilidad y próximos pasos

La tarifa publicada para Step 5 Preview es de USD $1,00 por cada millón de tokens de entrada cuando no existe un acierto de caché. El precio baja a USD $0,05 por millón de tokens para entradas con acierto de caché, mientras que la salida, incluido el razonamiento, cuesta USD $2,70 por millón de tokens.

Artificial Analysis situó las medianas de modelos comparables en USD $1,88 por millón de tokens de entrada y USD $10,00 por millón de tokens de salida. Esa diferencia favorece a StepFun en el precio unitario, pero el volumen de razonamiento observado en la prueba muestra por qué las empresas deberán calcular el costo total de cada tarea y no limitarse a comparar las tarifas de lista.

La disponibilidad inmediata como API permite que equipos de desarrollo prueben el modelo sin esperar la publicación de los pesos ni adquirir infraestructura especializada. Sin embargo, quienes quieran operar el sistema por cuenta propia tendrán que planificar un entorno de servidores con múltiples GPU, capacidad de almacenamiento suficiente y recursos adicionales para la caché KV y la ejecución de contextos extensos.

El próximo hito será la liberación prevista de los pesos abiertos el 15 de octubre de 2026. Hasta entonces, Step 5 Preview compite principalmente como servicio administrado y como demostración de que los modelos MoE pueden concentrar una red de gran tamaño en un presupuesto de inferencia más contenido, aunque su desempeño real dependerá del uso, la longitud de las respuestas y la calidad de las herramientas conectadas.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados